根据类似字符串数组纠正字符串中的错误

Question

有人可以指出如何执行此任务的正确方向： 我有很多带有这种桶的字符串数组：

• 两年前有人这样做过
• 两年前有人做过
• 有人这样做了两年
• 两年前的某些人
• 两年前有人

我需要得到这个：两年前有人这样做

任何算法或库的链接都会很棒。这些字符串来自OCR，有时OCR在字母/单词中出错，但我有2-5种不同的字符串拼写。

更新 基于@alec_djinn的建议，我发现了可以创建＆＃34;中位数＆＃34;的python库。基于Levenshtein距离的字符串。 https://rawgit.com/ztane/python-Levenshtein/master/docs/Levenshtein.html#Levenshtein-median

Answer 1

您可以使用sequence alignment算法，然后在对齐的序列上找到consensus。

有大量的文库和软件可用，但它们通常仅适用于生物序列（DNA，RNA，蛋白质）。一个用于通用字符串对齐的python库是https://pypi.python.org/pypi/alignment/

一旦序列对齐，您就可以使用以下（非常基本的）计算共识的方式。

def compute_consensus(sequences):
    consensus = ''
    for i in range(len(sequences[0])):
        char_count = Counter()
        for seq in sequences:
            char_count.update(seq[i])
        consensus += char_count.most_common()[0][0]

    return consensus.replace('-','') #assuming '-' represent deleted letters

其中sequences是对齐序列的列表。所有对齐的序列应具有相同的长度。